CN117874616A - 基于综合偏离度的污染物溯源方法及装置、电子设备 - Google Patents
基于综合偏离度的污染物溯源方法及装置、电子设备 Download PDFInfo
- Publication number
- CN117874616A CN117874616A CN202410048876.7A CN202410048876A CN117874616A CN 117874616 A CN117874616 A CN 117874616A CN 202410048876 A CN202410048876 A CN 202410048876A CN 117874616 A CN117874616 A CN 117874616A
- Authority
- CN
- China
- Prior art keywords
- source
- pollutant
- factor
- concentration
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 98
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 84
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000011156 evaluation Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 239000000356 contaminant Substances 0.000 claims description 22
- 238000011549 displacement method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 229910052698 phosphorus Inorganic materials 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 11
- 229910052760 oxygen Inorganic materials 0.000 description 11
- 239000001301 oxygen Substances 0.000 description 11
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 7
- 229910052757 nitrogen Inorganic materials 0.000 description 7
- 239000011574 phosphorus Substances 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000012298 atmosphere Substances 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 229930002868 chlorophyll a Natural products 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 244000144977 poultry Species 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- -1 permanganate index Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于综合偏离度的污染物溯源方法及装置、电子设备，包括：收集实测污染源和受体样品浓度数据，构建受体样品浓度和不确定度数据矩阵；将受体样品浓度和不确定度数据矩阵导入PMF模型，得到基础运算结果；通过运算BS、DISP和BS‑DISP，对PMF模型基础运算结果进行误差评估；优化PMF模型参数设置，进行旋转运算，得到源解析因子污染物浓度与贡献；计算实测污染源和源解析因子特征污染物的化学计量比和偏离度，计算综合偏离度并识别源解析因子污染源。本方法通过筛选并计算特征污染物的化学计量比和偏离度，降低了当前主观判断PMF模型解析源的不确定性，为客观识别污染源提供了一种新的技术支持。
Description
技术领域
本申请涉及环境污染物来源解析的研究领域，具体涉及一种基于综合偏离度的污染物溯源方法及装置、电子设备。
背景技术
污染源解析是一种识别环境中污染物来源及其贡献的方法，是环境管理和科学研究的重要手段。受体源解析方法是当前污染源解析的主流方法之一，其中PMF模型是大气、土壤和水环境污染源解析的常用方法。PMF模型全称为正定矩阵因子分解模型(PositiveMatrix Factorization Model)，是一个多元因子分析工具，通过将输入模型的样品含量数据矩阵分解成因子贡献(G)和因子成分谱(F)两个矩阵，使用多线性多次迭代算法识别因子数量和因子贡献。PMF模型基础运算结果误差评估方法主要有经典引导法(BS)、因子元素位移法(DISP)和位移增强引导法(BS-DISP)等。PMF模型在给出污染源识别的同时，还能得出确切的污染源的浓度与贡献，近年来被广泛应用于多种环境介质的污染源解析研究中。根据PMF模型结果，其污染源是通过因子指代的，需要研究者判断污染源的类型，因此客观、准确地判断污染源对于精准源解析具有重要意义。尽管PMF模型被广泛应用于大气、水和土壤等环境介质中污染物的来源解析，当前PMF模型污染源主要依靠研究人员的经验进行主观判断。这种主观判断模型污染源的方法存在较大的偏差，不利于污染源的精准识别。
发明内容
本申请实施例的目的是提供一种基于综合偏离度的污染物溯源方法及装置、电子设备，以解决现有PMF模型对污染源识别较主观性而导致偏差较大，不利于污染源的精准识别的技术问题。本申请利用综合偏离度结果来进行客观源识别，有助于提高PMF模型源解析的科学性，降低PMF模型对源识别的主观随意性。
根据本申请实施例的第一方面，提供一种基于综合偏离度的污染物溯源方法，包括：
收集实测污染源和受体样品浓度数据，构建受体样品浓度和不确定度数据矩阵；
将所述受体样品浓度和不确定度数据矩阵导入正定矩阵因子分解模型，得到基础运算结果，其中所述正定矩阵因子分解模型包括经典引导法、因子元素位移法和位移增强引导法的基础运算结果误差评估模块，以及优化基础运算结果的旋转运算模块；
在正定矩阵因子分解模型基础运算结果误差评估模块中至少选择经典引导法、因子元素位移法和位移增强引导法中一个运算对基础运算结果进行误差评估，得到误差评估结果；
根据所述的误差评估结果，优化正定矩阵因子分解模型参数设置，进行旋转运算，得到源解析因子污染物浓度与贡献；
根据实测污染源浓度数据和源解析因子污染物浓度与贡献，选取特征污染物浓度，计算实测污染源和源解析因子特征污染物的化学计量比和偏离度；
根据所述实测污染源和源解析因子特征污染物的化学计量比和偏离度，计算综合偏离度并识别源解析因子污染源。
根据本申请实施例的第二方面，提供一种基于综合偏离度的污染物溯源装置，包括：
收集处理模块，用于收集实测污染源和受体样品浓度数据，构建受体样品浓度和不确定度数据矩阵；
基础运算模块，用于将受体样品浓度和不确定度数据矩阵导入正定矩阵因子分解模型，得到基础运算结果，其中所述正定矩阵因子分解模型包括经典引导法、因子元素位移法和位移增强引导法的基础运算结果误差评估模块，以及优化基础运算结果的旋转运算模块；
误差评估模块，用于在正定矩阵因子分解模型基础运算结果误差评估模块中至少选择经典引导法、因子元素位移法和位移增强引导法中一个运算对基础运算结果进行误差评估，得到误差评估结果；
参数优化模块，用于根据所述的误差评估结果，优化正定矩阵因子分解模型参数设置，进行旋转运算，得到源解析因子污染物浓度与贡献；
第一计算模块，根据实测污染源浓度数据和源解析因子污染物浓度与贡献，选取特征污染物浓度，计算实测污染源和源解析因子特征污染物的化学计量比和偏离度；
第二计算模块，用于根据所述实测污染源和源解析因子特征污染物的化学计量比和偏离度，计算综合偏离度并识别源解析因子污染源。
根据本申请实施例的第三方面，提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述方法的步骤。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请采用在特征污染物化学计量比和偏离度基础上计算综合偏离度指标，并利用该指标直接判断PMF模型源解析因子与实测污染源对应关系的技术手段，克服了PMF模型等源未知受体源解析方法对污染源识别的主观性问题，进而达到了有效降低源解析因子源识别的不确定性，实现增强PMF模型源识别可靠性的技术效果。
本申请采用算术加权法，综合了多种元素或污染物的比例信息，进一步计算综合偏离度的技术手段，克服了传统比值法只能采用少数元素比例协助判断污染源，难以充分利用不同元素比例的信息，且具有较强的主观性的问题，进而达到了对传统比值法的升级和加强，且根据综合偏离度单个指标实现对多种元素或污染物比例相似性的判断，达到了有效提升了污染源识别的精度和效率的技术效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种基于综合偏离度的污染物溯源方法的流程图。
图2是根据一示例性实施例示出的PMF模型源解析因子污染物贡献图。
图3是根据一示例性实施例示出的基于综合偏离度的PMF模型源识别结果图。
图4是根据一示例性实施例示出的一种基于综合偏离度的污染物溯源方法装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“回应于确定”。
图1是根据一示例性实施例示出的一种基于综合偏离度的污染物溯源方法的流程图，该方法可以包括以下步骤：
S1：收集实测污染源和受体样品浓度数据，构建受体样品浓度和不确定度数据矩阵；
收集实测污染源浓度数据提供了真实污染源的特征和排放情况，为PMF模型源解析因子识别提供了有效依据；受体样品浓度和不确定度数据矩阵作为PMF模型运行的输入文件，确保PMF模型能够有效识别源解析因子污染物的浓度和贡献。
具体地，以2014-2021年某湖泊水质监测数据为例，选取不同监测站点与不同时间的水质监测站点浓度数据。记录监测数据在960个不同时间段下，pH、溶解氧、高锰酸盐指数、化学需氧量、五日生化需氧量、氨氮、总磷、总氮、叶绿素a和透明度10个参数的浓度。基于对日期、采样点、污染物种类名称、浓度的记录，以污染物种类名称为列，以日期为行，构建受体样品浓度数据矩阵；
利用污染物浓度中位数代替缺失浓度，构建PMF模型受体样品浓度数据矩阵，并作为PMF模型输入的受体样品浓度数据矩阵，如表1中的样本数据列所示。
表1基于监测站点浓度数据的样本(单位mg/L)
| 日期 | 2014/1/3 | 2014/1/4 | 2014/1/5 | …… |
| pH | 7.64 | 7.72 | 8.59 | …… |
| 溶解氧 | 6.73 | 6.64 | 8.96 | …… |
| 高锰酸盐指数 | 6 | 6.1 | 9.1 | …… |
| 化学需氧量 | 41 | 44 | 58 | …… |
| 五日生化需氧量 | 8 | 4 | 5.2 | …… |
| 氨氮 | 1.47 | 2.69 | 0.28 | …… |
| 总磷 | 0.12 | 0.15 | 0.09 | …… |
| 总氮 | 3.84 | 7 | 2.61 | …… |
| 叶绿素a | 0.04 | 0.03 | 0.05 | …… |
| 透明度 | 0.61 | 0.61 | 0.4 | …… |
注：pH无量纲；透明度单位为m。
收集研究区主要污染源的排放负荷信息，具体如表2中所示。
表2收集的典型污染源排放量数据(单位：t)
| 实测污染源 | 工业源 | 种植业 | 畜禽养殖 | 水产养殖业 | 生活源 |
| 化学需氧量 | 2968.58 | - | 24349.07 | 475.72 | 27230.35 |
| 氨氮 | 127.94 | 124.02 | 213.36 | 22.31 | 3733.82 |
| 总氮 | 543.37 | 1860.98 | 1547.16 | 61.10 | 6555.59 |
| 总磷 | 68.66 | 149.57 | 272.76 | 5.31 | 250.49 |
不同情况下受体样品不确定度数据计算方法不同，根据受体样品浓度数据，计算受体样品不确定度数据，设定受体样品不确定度数据包含取样误差和分析误差。受体样品不确定度数据计算结果不包含单位，并且计算结果应与受体样品浓度数据顺序一一对应；
若受体样品浓度数据缺失，则受体样品不确定度数据计算如下：
Unc＝4×Median
式中，Unc为受体样品不确定度数据；Median为受体样品的中位数；
若受体样品浓度数据小于或等于元素测量仪器的方法检出限，则受体样品不确定度数据计算如下：
式中，Unc为受体样品不确定度数据；MDL为受体样品的方法检出限；
若受体样品浓度数据大于测量仪器的方法检出限，则受体样品不确定度数据Unc计算如下：
式中，Unc为受体样品不确定度数据；EF为受体样品污染物的误差系数；SC为受体样品浓度数据；MDL为受体样品的方法检出限；
受体样品污染物的误差系数EF的计算公式如下：
式中，EF为受体样品污染物的误差系数，SD和Mean分别为受体样品污染物浓度数据的标准差、平均值；
根据相应的计算方法，得到受体样品不确定度数据，并与受体样品浓度数据顺序一一对应，构建受体样品不确定度数据矩阵，具体如表3所示。
表3基于浓度数据计算的不确定度数据的样本
S2：将所述受体样品浓度和不确定度数据矩阵导入正定矩阵因子分解模型，得到基础运算结果，其中所述正定矩阵因子分解模型包括经典引导法、因子元素位移法和位移增强引导法的基础运算结果误差评估模块，以及优化基础运算结果的旋转运算模块；
具体地，将受体样品浓度和不确定度数据矩阵导入PMF模型，得到基础运算结果，其中所述PMF模型包括BS、DISP和BS-DISP的基础运算结果误差评估模块，以及优化基础运算结果的旋转运算模块；利用PMF模型基础运算结果，了解污染物的大致来源与分布，为PMF模型寻找合适源解析因子个数范围提供了参考。
所述经典引导法运算是通过重构样品不断计算估计值，即对原始数据进行多次重采样再运行正定矩阵因子分解模型；
所述因子元素位移法运算是通过依次扰动因子载荷矩阵F中的每个参数值后重复运行正定矩阵因子分解模型；
所述位移增强引导法估计与随机和旋转模糊相关的误差。
先前步骤已获取受体样品浓度数据与不确定数据，构建受体样品浓度数据矩阵和受体样品不确定度数据矩阵，并作为模型的输入数据矩阵导入PMF模型运算。将PMF模型输入界面中的缺失值用“-999”数字代替，并选择用物种中位数替换缺失值的选项。在PMF模型基础运算模块先确定污染物种类，再选择合适因子数和随机种子数，进行PMF模型的基础运算，得到基础运算的结果。
S3：在正定矩阵因子分解模型基础运算结果误差评估模块中至少选择经典引导法、因子元素位移法和位移增强引导法中一个运算对基础运算结果进行误差评估，得到误差评估结果；
具体地，在PMF模型基础运算结果误差评估模块中至少选择BS、DISP和BS-DISP中一个运算对基础运算结果进行误差评估，得到误差评估结果；进行BS、DISP和BS-DISP的运算有助于对PMF模型的基础运算结果进行全面误差评估，提高了对PMF模型基础运行结果的信心和可信度。
在PMF模型基础运算结果模块的误差评估运算界面，至少选择BS、DISP和BS-DISP中一个运算，对基础运算结果进行误差评估，得到误差评估结果；
BS运算是通过重构样品不断计算估计值，即对原始数据进行多次重采样再运行PMF；
DISP运算是通过依次扰动因子载荷矩阵F中的每个参数值后重复运行PMF；
BS-DISP估计与随机和旋转模糊相关的误差。
S4：根据所述的误差评估结果，优化正定矩阵因子分解模型参数设置，进行旋转运算，得到源解析因子污染物浓度与贡献；
具体地，根据所述的误差评估结果，优化PMF模型参数设置，进行旋转运算，得到源解析因子污染物浓度与贡献；PMF模型中旋转运算能够优化基础运算结果的源解析因子浓度与贡献，有助于更好地理解污染物的来源和影响。
根据S3基础运算结果的误差评估结果，改变污染物分类和因子个数等PMF模型参数，得到优化的基础运算结果；
通过选择旋转运算中F矩阵峰值模型计算，尝试不同的峰值参数进行旋转运算，依次按照选择的峰值0.5、-0.5、1.0、-1.0、-1.5进行旋转运算，利用峰值G空间图选择合适峰值结果，得到源解析因子污染物浓度与贡献；
本案例选择F矩阵峰值模型计算中峰值为-0.5的结果，作为源解析因子污染物浓度与贡献，绘制PMF模型源解析因子污染物贡献图，如图2所示，具体浓度数据如表4所示。
表4源解析因子污染物浓度数据(mg/L)
注：透明度单位为m。
S5：根据实测污染源浓度数据和源解析因子污染物浓度与贡献，选取特征污染物浓度，计算实测污染源和源解析因子特征污染物的化学计量比和偏离度；
在特征污染物的基础上，考虑实测源与源解析因子各污染物之间的化学计量比和偏离度，降低了源解析因子源识别的不确定性，增强污染源解释的客观性。
具体地，根据实测污染源浓度数据和源解析因子中污染物浓度与贡献，选取特征污染物，计算实测污染源和源解析因子特征污染物的化学计量比，本实例选择的特征污染物为化学需氧量、总氮和总磷，特征污染物的化学计量比为总氮/总磷，化学需氧量/总氮和化学需氧量/总磷，实测污染源和源解析因子的化学计量比计算公式如下：
式中，CRP和CRM分别为PMF模型源解析因子和实测污染源污染物的化学计量比，Ii和Ij分别为相同源解析因子的不同特征污染物；Ji和Jj分别为相同实测污染源的不同特征污染物；
偏离度是指PMF模型输出的因子中不同特征污染物的化学计量比和实测污染源中不同特征污染物的化学计量比差异，偏离度越小说明该源解析因子与实测污染源越相似，其计算公式如下：
式中，CRE为源解析因子与实测污染源第k个化学计量比的偏离度；其它指标含义同上。
S6：根据所述实测污染源和源解析因子特征污染物的化学计量比和偏离度，计算综合偏离度并识别源解析因子污染源；
为了满足模型源识别可靠性的需求，在污染源识别中，利用实测污染源特征污染物的化学计量比与PMF模型源解析因子化学计量比综合偏离度指标，采用有限污染源信息和多指标综合对比，进一步加强了PMF模型源识别的可解释性，对于降低包括PMF模型在内的多种源未知受体模型的源识别不确定性具有重要价值。
具体地，综合偏离度是用于衡量多个化学计量比的总体偏离度，采用算术加权法计算，根据综合偏离度结果识别源解析因子污染源，PMF模型源解析因子的最小综合偏离度对应的实测污染源，为PMF模型源识别的最佳结果。本案例中设置各参数偏离度的相对权重相等，比较源解析因子与实测污染源的综合偏离度。由于实测污染源中种植业化学需氧量缺少，因此，种植业的综合偏离度为种植业中各因子总氮/总磷的偏离度。根据先前步骤已得到特征污染物的偏离度，计算综合偏离度，具体计算公式如下：
式中，CE为源解析因子与实测污染源的综合偏离度；IWk为第k个化学计量比偏离度的相对权重；
绘制基于综合偏离度的实测污染源与源解析因子关系的百分比堆积图，如图3所示。基于综合偏离度的源解析因子1在种植业中所占比例最小，因此，源解析因子1识别为种植业源；源解析因子2在种植业所占比例最小，但其比例大于源解析因子1，因此，源解析因子2为畜禽养殖源；基于综合偏离度的源解析因子3在生活源中所占比例最小，因此，源解析因子3被识别为生活源。以上结果表明，在相似污染源识别中，基于综合偏离度识别的PMF模型源解析因子可以降低源识别的误差，获得更可靠的识别结果。
可知基于综合偏离度的计算结果，在识别PMF模型源解析因子时，较以往根据研究人员经验识别污染源具有科学、客观、可靠的特性，降低了PMF模型源解析模型源识别的主观性，为客观识别污染源提供了一种新的技术支持。
图4是根据一示例性实施例示出的一种基于综合偏离度的污染物溯源方法装置的框图。参照图4，该装置包括：
收集处理模块1，用于收集实测污染源和受体样品浓度数据，构建受体样品浓度和不确定度数据矩阵；
基础运算模块2，用于将受体样品浓度和不确定度数据矩阵导入正定矩阵因子分解模型，得到基础运算结果，其中所述正定矩阵因子分解模型包括经典引导法、因子元素位移法和位移增强引导法的基础运算结果误差评估模块，以及优化基础运算结果的旋转运算模块；
误差评估模块3，用于在正定矩阵因子分解模型基础运算结果误差评估模块中至少选择经典引导法、因子元素位移法和位移增强引导法中一个运算对基础运算结果进行误差评估，得到误差评估结果；
参数优化模块4，用于根据所述的误差评估结果，优化正定矩阵因子分解模型参数设置，进行旋转运算，得到源解析因子污染物浓度与贡献；
第一计算模块5，根据实测污染源浓度数据和源解析因子污染物浓度与贡献，选取特征污染物浓度，计算实测污染源和源解析因子特征污染物的化学计量比和偏离度；
第二计算模块6，用于根据所述实测污染源和源解析因子特征污染物的化学计量比和偏离度，计算综合偏离度并识别源解析因子污染源。。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于综合偏离度的污染物溯源方法。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的基于综合偏离度的污染物溯源方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于综合偏离度的污染物溯源方法，其特征在于，包括：
收集实测污染源和受体样品浓度数据，构建受体样品浓度和不确定度数据矩阵；
将所述受体样品浓度和不确定度数据矩阵导入正定矩阵因子分解模型，得到基础运算结果，其中所述正定矩阵因子分解模型包括经典引导法、因子元素位移法和位移增强引导法的基础运算结果误差评估模块，以及优化基础运算结果的旋转运算模块；
在正定矩阵因子分解模型基础运算结果误差评估模块中至少选择经典引导法、因子元素位移法和位移增强引导法中一个运算对基础运算结果进行误差评估，得到误差评估结果；
根据所述的误差评估结果，优化正定矩阵因子分解模型参数设置，进行旋转运算，得到源解析因子污染物浓度与贡献；
根据实测污染源浓度数据和源解析因子污染物浓度与贡献，选取特征污染物浓度，计算实测污染源和源解析因子特征污染物的化学计量比和偏离度；
根据所述实测污染源和源解析因子特征污染物的化学计量比和偏离度，计算综合偏离度并识别源解析因子污染源。
2.根据权利要求1所述的方法，其特征在于，收集实测污染源和受体样品浓度数据，构建受体样品浓度和不确定度数据矩阵，包括：
针对受体样品浓度数据，以污染物种类名称为列，以日期为行，构建受体样品浓度数据矩阵；
若受体样品浓度数据缺失，则污染物浓度中位数代替缺失浓度；
根据受体样品浓度数据，计算受体样品不确定度数据，设定受体样品不确定度数据包含取样误差和分析误差；
若受体样品浓度数据缺失，则受体样品不确定度数据计算如下：
Unc＝4×Median
式中，Unc为受体样品不确定度数据；Median为受体样品的中位数；
若受体样品浓度数据小于或等于元素测量仪器的方法检出限，则受体样品不确定度数据计算如下：
式中，Unc为受体样品不确定度数据；MDL为受体样品的方法检出限；
若受体样品浓度数据大于测量仪器的方法检出限，则受体样品不确定度数据Unc计算如下：
式中，Unc为受体样品不确定度数据；EF为受体样品污染物的误差系数；SC为受体样品浓度数据；MDL为受体样品的方法检出限；
受体样品污染物的误差系数EF的计算公式如下：
式中，EF为受体样品污染物的误差系数，SD和Mean分别为受体样品污染物浓度的标准差、平均值；
将受体样品不确定度数据与受体样品浓度数据顺序一一对应，构建受体样品不确定数据矩阵。
3.根据权利要求1所述的方法，其特征在于，将受体样品浓度和不确定度数据矩阵导入正定矩阵因子分解模型，得到基础运算结果，包括：
将正定矩阵因子分解模型输入界面中的缺失值用“-999”数字代替，并选择用物种中位数替换缺失值的选项；
在正定矩阵因子分解模型基础运算模块先对污染物分类，再选择合适因子数和随机种子数，进行正定矩阵因子分解模型的基础运算，得到基础运算的结果。
4.根据权利要求1所述的方法，其特征在于，
所述经典引导法运算是通过重构样品不断计算估计值，即对原始数据进行多次重采样再运行正定矩阵因子分解模型；
所述因子元素位移法运算是通过依次扰动因子载荷矩阵F中的每个参数值后重复运行正定矩阵因子分解模型；
所述位移增强引导法估计与随机和旋转模糊相关的误差。
5.根据权利要求1所述的方法，其特征在于，基于误差评估结果，优化正定矩阵因子分解模型参数设置，进行旋转运算，得到源解析因子污染物浓度与贡献，包括：
改变污染物分类和因子个数，得到优化的基础运算结果；
选择旋转运算中F矩阵峰值模型计算，尝试不同的峰值参数进行旋转运算，得到源解析因子污染物浓度与贡献。
6.根据权利要求1所述的方法，其特征在于，根据所述实测污染源浓度数据和源解析因子污染物浓度与贡献，选取特征污染物的浓度，计算实测污染源和源解析因子特征污染物的化学计量比和偏离度，包括：
实测污染源和源解析因子的化学计量比计算公式如下：
式中，CRP和CRM分别为正定矩阵因子分解模型源解析因子和实测污染源污染物的化学计量比，Ii和Ij分别为相同源解析因子的不同特征污染物；Ji和Jj分别为相同实测污染源的不同特征污染物；
偏离度是指正定矩阵因子分解模型输出的因子中不同特征污染物的化学计量比和实测污染源中不同特征污染物的化学计量比差异，偏离度越小说明该源解析因子与实测污染源越相似，其计算公式如下：
式中，CRE为源解析因子与实测污染源第k个化学计量比的偏离度；其它指标含义同上。
7.根据权利要求6所述的方法，其特征在于，根据所述实测污染源和源解析因子特征污染物的化学计量比和偏离度，计算综合偏离度并识别源解析因子污染源，包括：
综合偏离度是用于衡量多个化学计量比的总体偏离度，采用算术加权法计算，其计算过程如下：
CE＝∑kIWk×CREk，
式中，CE为源解析因子与实测污染源的综合偏离度；IWk为第k个化学计量比偏离度的相对权重。
8.一种基于综合偏离度的污染物溯源装置，其特征在于，包括：
收集处理模块，用于收集实测污染源和受体样品浓度数据，构建受体样品浓度和不确定度数据矩阵；
基础运算模块，用于将受体样品浓度和不确定度数据矩阵导入正定矩阵因子分解模型，得到基础运算结果，其中所述正定矩阵因子分解模型包括经典引导法、因子元素位移法和位移增强引导法的基础运算结果误差评估模块，以及优化基础运算结果的旋转运算模块；
误差评估模块，用于在正定矩阵因子分解模型基础运算结果误差评估模块中至少选择经典引导法、因子元素位移法和位移增强引导法中一个运算对基础运算结果进行误差评估，得到误差评估结果；
参数优化模块，用于根据所述的误差评估结果，优化正定矩阵因子分解模型参数设置，进行旋转运算，得到源解析因子污染物浓度与贡献；
第一计算模块，根据实测污染源浓度数据和源解析因子污染物浓度与贡献，选取特征污染物浓度，计算实测污染源和源解析因子特征污染物的化学计量比和偏离度；
第二计算模块，用于根据所述实测污染源和源解析因子特征污染物的化学计量比和偏离度，计算综合偏离度并识别源解析因子污染源。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410048876.7A CN117874616A (zh) | 2024-01-12 | 2024-01-12 | 基于综合偏离度的污染物溯源方法及装置、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410048876.7A CN117874616A (zh) | 2024-01-12 | 2024-01-12 | 基于综合偏离度的污染物溯源方法及装置、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117874616A true CN117874616A (zh) | 2024-04-12 |
Family
ID=90596697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410048876.7A Pending CN117874616A (zh) | 2024-01-12 | 2024-01-12 | 基于综合偏离度的污染物溯源方法及装置、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117874616A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020101615A4 (en) * | 2020-08-02 | 2020-09-10 | Beijing Normal University | A Method for Source Apportionment of PAHs in Roadway Sediments Coupled with Transport and Transformation Process |
| CN112505254A (zh) * | 2020-12-03 | 2021-03-16 | 中科三清科技有限公司 | 一种大气污染来源的解析方法、装置、存储介质及终端 |
| CN114544894A (zh) * | 2022-01-26 | 2022-05-27 | 中国科学院新疆生态与地理研究所 | 基于pmf模型的源解析不确定性分析方法及系统 |
| JP7227439B1 (ja) * | 2021-08-27 | 2023-02-22 | 生態環境部南京環境科学研究所 | 多変数とｐｍｆモデルに基づいて黒臭水域の底質の重金属源を分析する方法 |
| CN116381152A (zh) * | 2023-04-10 | 2023-07-04 | 暨南大学 | 一种污染源类型的确定方法、系统、电子设备及存储介质 |
| CN116559148A (zh) * | 2023-06-19 | 2023-08-08 | 成都市环境保护科学研究院 | 土壤污染物溯源方法 |
| KR102565774B1 (ko) * | 2022-10-21 | 2023-08-09 | 고려대학교 산학협력단 | 토양의 중금속 오염원 규명 방법 |
-
2024
- 2024-01-12 CN CN202410048876.7A patent/CN117874616A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020101615A4 (en) * | 2020-08-02 | 2020-09-10 | Beijing Normal University | A Method for Source Apportionment of PAHs in Roadway Sediments Coupled with Transport and Transformation Process |
| CN112505254A (zh) * | 2020-12-03 | 2021-03-16 | 中科三清科技有限公司 | 一种大气污染来源的解析方法、装置、存储介质及终端 |
| JP7227439B1 (ja) * | 2021-08-27 | 2023-02-22 | 生態環境部南京環境科学研究所 | 多変数とｐｍｆモデルに基づいて黒臭水域の底質の重金属源を分析する方法 |
| CN114544894A (zh) * | 2022-01-26 | 2022-05-27 | 中国科学院新疆生态与地理研究所 | 基于pmf模型的源解析不确定性分析方法及系统 |
| KR102565774B1 (ko) * | 2022-10-21 | 2023-08-09 | 고려대학교 산학협력단 | 토양의 중금속 오염원 규명 방법 |
| CN116381152A (zh) * | 2023-04-10 | 2023-07-04 | 暨南大学 | 一种污染源类型的确定方法、系统、电子设备及存储介质 |
| CN116559148A (zh) * | 2023-06-19 | 2023-08-08 | 成都市环境保护科学研究院 | 土壤污染物溯源方法 |
Non-Patent Citations (2)
| Title |
|---|
| PRINCE CHAPMAN AGYEMAN等: "Combination of enrichment factor and positive matrix factorization in the estimation of potentially toxic element source distribution in agricultural soil", ENVIRONMENTAL GEOCHEMISTRY AND HEALTH, vol. 45, 16 August 2022 (2022-08-16), pages 2359 * |
| 周建华;李晓伟;陈锋;: "污染物源解析技术正定矩阵因子分析法的现状研究", 北华航天工业学院学报, no. 04, 31 August 2020 (2020-08-31), pages 14 - 16 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10650914B2 (en) | Fresh water acute criteria prediction method based on quantitative structure-activity relationship for metals | |
| Manoylov | Taxonomic identification of algae (morphological and molecular): species concepts, methodologies, and their implications for ecological bioassessment | |
| Arhonditsis et al. | Exploring ecological patterns with structural equation modeling and Bayesian analysis | |
| Weber et al. | Community-level physiological profiling | |
| CN110489785B (zh) | 一种大气污染物在线源解析方法及系统 | |
| Li et al. | Establishing a minimum dataset for soil quality assessment based on soil properties and land-use changes | |
| Barley et al. | Assessing the performance of DNA barcoding using posterior predictive simulations | |
| Bennett et al. | Optimizing taxonomic resolution and sampling effort to design cost‐effective ecological models for environmental assessment | |
| CN114544894A (zh) | 基于pmf模型的源解析不确定性分析方法及系统 | |
| Vitek et al. | Semi‐supervised determination of pseudocryptic morphotypes using observer‐free characterizations of anatomical alignment and shape | |
| CN113344409A (zh) | 一种设施连作土壤质量的评价方法及系统 | |
| Winbourne et al. | A new framework for evaluating estimates of symbiotic nitrogen fixation in forests | |
| Ciampitti et al. | A global dataset to parametrize critical nitrogen dilution curves for major crop species | |
| JP5110891B2 (ja) | 水処理施設における流入水水質の統計的予測方法及びその装置 | |
| Chao et al. | Rarefaction and extrapolation with beta diversity under a framework of H ill numbers: The iNEXT. beta3D standardization | |
| Naef et al. | How to quantify factors degrading DNA in the environment and predict degradation for effective sampling design | |
| CN117874616A (zh) | 基于综合偏离度的污染物溯源方法及装置、电子设备 | |
| CN114817851A (zh) | 水质监测方法及设备 | |
| CN115575363B (zh) | 一种获取生态影响机制的方法及系统 | |
| CN116381152A (zh) | 一种污染源类型的确定方法、系统、电子设备及存储介质 | |
| CN116402389A (zh) | 一种混合用地类型的流域水体污染源解析方法 | |
| CN115660455A (zh) | 一种三水统筹下水质评价体系模型构建系统、设备及终端 | |
| Van Dongen | What do we know about the heritability of developmental instability? Answers from a Bayesian model | |
| Millar et al. | A rapid PCR-based diagnostic test for the identification of subspecies of Acacia saligna | |
| CN113990407B (zh) | 对多氯萘及其同系物的含量及来源进行解析的解析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |